Zum JMP Genomics In 3.2 hatten wir mehrere Anfragen von Benutzern, die GCRMA-Hintergrundkorrektur in unserem CEL-Importprozess zu implementieren. Ähnlich wie bei der Anforderung, RMA für JMP Genomics 3.0 zu implementieren, wurde dies vor allem durch den Wunsch der Kunden motiviert, relativ große Datensätze zu verarbeiten, ohne durch den RAM-Speicher eingeschränkt zu werden. Mehrere Kunden (und unsere eigenen Tester) gaben an, dass sie auf die Verarbeitung von etwa 60-80 HU133 CEL-Dateien mit dem in R / Bioconductor implementierten GCRMA auf einem 32-Bit-2-GB-Windows XP-Computer beschränkt seien. Wir haben dies bei der Verwendung von R / Bioconductor als eigenständige Anwendung oder durch den Bioconductor Expresso-Wrapper in JMP Genomics gesehen.
Die JMP Genomics GCRMA-Implementierung überwindet diese Speicherbegrenzung und ermöglicht die gleichzeitige Verarbeitung von Hunderten oder sogar Tausend CEL-Dateien. Während des Prozesses arbeitete der Entwickler Tzu-Ming Chu durch Zwischenschritte, um den Algorithmus in SAS-Code zu implementieren. Ähnlich wie bei anderen kommerziellen Implementierungen von GCRMA verwendet unsere Implementierung eine Version (2.1) des Algorithmus, die von Fehlanpassungsprüfungen abhängt, um die Hintergrundkorrektur zu schätzen.
JMP Genomics GCRMA liefert Ergebnisse, die stark mit der Implementierung von R / Bioconductor zusammenhängen. Korrelationen zwischen den log2-GCRMA-normalisierten Intensitäten, die von den beiden Implementierungen für dieselben Arrays erzeugt wurden, lagen für mehrere getestete Datensätze im Bereich von 0,995 bis 0,999. Übrigens stellte Tzu-Ming fest, dass mehrere Schritte in der R-Implementierung (z. B. Zeilenanpassung an eine Teilmenge von Daten zum Schätzen einer nichtspezifischen Bindungsaffinität) auf die Art der zufälligen Teilmengen, die durch verschiedene Läufe des Algorithmus ausgewählt werden, empfindlich waren. Er stellte auch fest, dass sich die aktuell veröffentlichte Version des gcrma-Pakets von der derzeit in der Entwicklung befindlichen Betaversion unterscheidet. Daher sollten sich Benutzer dieses Pakets über mögliche Änderungen in einer späteren Version des Algorithmus bewusst sein. Obwohl die GCRMA-Normalisierung in Wu et al. (2004) unterscheidet sich die Implementierung in Bioconductor von Version zu Version und stimmt möglicherweise nicht genau mit der des ursprünglichen Papiers überein.
Tzu-Ming und die anderen Entwickler bitten mich immer, darauf hinzuweisen, dass Normalisierungsmethoden einschließlich der Quantil-Normalisierung, wie RMA und GCRMA, recht strenge Methoden sind. In einem Nature Biotechnology Veröffentlichung von MAQC I, Tong et al. (2006) zeigten eindeutig, dass externe Affymetrix-Kontrollen (Sondengruppen mit Präfix AFFX) nach GCRMA- und RMA-Normalisierungen inkonsistent sind. Obwohl sich die Korrelation zwischen Arrays nach der Anwendung von GCRMA- und RMA-Normalisierungen verbessert, können Benutzer dieser Methoden die Daten möglicherweise zu stark normalisieren. Unsere Hauptmotivatoren für die Implementierung dieser Methoden in JMP Genomics waren die Nachfrage von kommerziellen Kunden und die Beliebtheit dieser Algorithmen im Genomics-Analyse-Markt. Da ich manchmal das Entwicklungsteam daran erinnere, können wir dem Markt nicht sagen, was er will. Für unser junges Produkt ist dies das bisher beste Beispiel für dieses Phänomen.
